source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-296.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.088.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 4 5 6 7 8 9 10 11 12 13 14 15 16 18
25 13 90 60 116 40 75 24 16 24 28 21 9 35 31 62
19 20 21 22 23 25 26 27 28 29 30 31 32 33 34 35
60 77 101 53 67 52 33 39 25 45 41 68 46 28 15 53
36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
42 40 30 14 52 30 44 16 29 32 25 14 10 15 5 43
52 54 55 56 57 58 59 60 61 62 63 64 65 66 67 69
31 89 93 63 138 67 59 56 38 39 27 15 15 40 57 80
70 73 74 76 77 78 79 80 81 82 83 84 85 86 87 88
150 46 27 54 49 57 62 52 80 43 44 26 50 24 32 48
89 90 91 92 93 94 95 96 97 98 99 100 101 102 104 105
43 41 42 43 18 38 38 9 21 6 7 22 40 31 70 106
106 107 108 109 110 111 112 113 115 116 117 118 121 123 125 126
63 123 37 75 38 72 26 40 37 61 79 101 34 56 43 58
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142
61 36 45 47 55 46 48 41 38 43 26 48 45 16 44 17
143 144 145 146 147 148 149 150 151 152 154 155 156 157 158 159
19 17 11 6 15 11 9 31 19 32 78 21 100 49 94 70
160 161 162 163 164 166 167 168 169 170 171 175 176 177 178 179
103 60 38 56 21 59 58 73 112 103 49 44 28 42 46 40
180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195
67 54 56 42 39 29 27 46 21 48 21 33 31 22 19 20
196 197 198 199 200 201 202 204 205 206 207 208 209 210 211 212
12 14 28 18 46 14 53 90 45 96 53 104 80 69 55 66
213 214 222 223 224 225 226 227 228 229 230 231 232 233 234 235
16 27 50 22 64 25 36 54 50 48 62 71 65 35 45 33
236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251
28 62 12 14 14 14 34 22 24 25 21 33 13 37 30 20
252 253 255 256 257 258 259 260 261 262 263 266 267 268 269 270
36 56 74 67 93 88 123 40 25 56 74 49 32 38 30 49
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286
35 23 51 71 48 34 45 59 38 39 65 49 23 62 25 39
287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302
15 30 25 31 31 23 31 21 19 20 45 22 34 57 51 36
303 306 308 314 315 316 317 318 319 320 321 322 323 324 325 326
56 49 57 58 25 42 23 15 35 45 50 58 27 31 41 54
327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342
47 33 35 54 50 11 27 28 26 31 22 35 29 41 27 22
343 344 345 346 347 348 349 350 351 352 353 354 355 360 361 362
27 16 28 47 24 53 64 28 51 30 57 60 61 92 91 64
363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378
70 42 49 33 25 16 28 24 31 57 26 18 24 46 60 20
379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394
37 40 41 56 34 33 24 24 52 57 29 43 33 41 25 14
395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410
15 18 24 43 68 34 45 58 72 62 41 68 47 37 71 46
411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426
72 41 33 46 33 31 38 35 28 27 32 39 40 8 25 47
427 429 430 431 433 434 435 436 437 438 439 440 441 442 443 444
49 21 9 44 29 27 41 53 57 43 41 43 41 40 28 18
445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460
13 31 18 58 40 23 45 43 46 51 90 89 54 43 30 64
461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476
38 55 27 28 44 38 42 34 29 21 13 19 27 39 32 63
477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492
33 48 11 49 48 36 29 18 52 55 48 49 36 42 28 43
493 494 495 496 497 498 499 500 501 503 504 505 506 507 508 509
27 20 38 45 33 30 41 35 70 62 86 46 63 53 57 41
510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525
38 50 35 24 16 33 39 48 53 34 26 31 41 45 29 30
526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541
47 43 50 58 54 47 16 44 29 47 55 31 18 34 46 28
542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557
21 15 22 25 44 31 28 57 36 38 46 29 95 83 69 35
558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573
65 22 45 34 22 29 22 32 44 33 43 26 24 37 28 50
574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589
48 65 54 68 52 39 49 76 62 69 43 39 54 52 41 53
590 591 592 593 594 595 596 597 598 599 600 601 603 604 605 606
42 32 31 13 31 45 47 41 41 34 40 76 65 98 51 37
607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622
38 58 49 43 39 37 52 30 37 31 28 50 55 33 70 59
623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638
63 68 61 63 75 43 64 47 73 45 55 54 44 53 54 36
639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654
41 35 47 35 40 43 55 54 37 45 40 38 92 40 55 57
655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670
35 81 13 35 40 50 28 22 47 41 46 27 35 45 60 56
671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686
42 59 37 55 28 41 38 60 49 53 49 42 40 52 56 57
687 688 689 690 691 692 693 694 695 696 697 698 699 700 703 704
39 64 44 45 41 35 49 34 55 33 26 40 32 50 53 29
705 706 707 708 709 711 712 713 714 715 716 717 718 719 720 721
1 22 40 74 49 37 52 57 48 34 73 50 28 35 36 29
722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737
30 37 32 49 41 63 49 30 57 57 34 54 56 49 45 61
738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753
53 51 31 46 20 43 69 51 38 65 44 44 36 45 68 79
754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769
47 44 20 21 31 36 17 54 32 24 45 33 42 49 28 53
770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785
24 51 35 48 36 46 50 22 47 40 60 51 58 75 64 59
786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801
29 62 42 48 45 36 26 27 46 58 54 38 56 28 29 35
802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817
34 32 35 28 63 48 103 66 98 65 51 20 29 72 58 51
818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833
59 51 38 41 30 38 41 31 26 38 47 59 54 36 27 42
834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849
41 49 28 55 62 44 34 24 20 41 53 32 37 44 34 17
850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865
46 13 37 85 34 57 53 27 49 27 61 49 29 47 44 59
866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881
43 48 35 36 20 26 31 21 34 41 29 42 50 52 17 28
882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897
40 16 16 44 51 42 34 25 22 45 43 39 29 42 24 34
898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913
27 45 33 37 32 66 74 55 36 17 34 29 39 65 70 77
914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929
46 44 58 47 43 31 49 34 39 31 26 34 27 16 40 47
930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945
37 31 26 32 39 47 38 29 22 28 37 49 52 53 45 42
946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961
36 37 14 26 54 24 27 74 62 28 54 26 42 47 39 11
962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977
56 52 37 55 39 31 32 18 28 29 51 53 45 41 45 47
978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993
32 47 16 29 35 40 52 46 42 33 31 24 46 56 59 33
994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1009 1010
38 31 50 49 31 32 33 20 62 51 49 42 28 24 35 29
1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026
45 47 41 22 26 32 28 32 37 39 41 35 39 24 34 49
1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042
62 30 40 33 25 43 40 44 49 43 23 21 14 29 39 34
1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058
19 50 35 38 54 36 15 11 32 46 19 48 53 48 52 46
1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074
26 31 29 49 49 37 32 33 15 28 14 30 40 42 42 46
1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090
39 45 43 20 23 36 24 26 20 36 40 40 38 40 23 58
1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106
40 30 36 48 60 41 61 41 29 12 61 43 20 44 43 65
1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122
43 60 22 18 25 48 41 29 25 41 25 32 41 30 40 37
1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138
33 32 24 44 42 46 33 36 40 26 42 39 34 35 39 36
1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154
32 48 56 44 37 46 48 56 27 18 31 24 72 25 23 27
1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170
53 57 34 33 39 46 45 42 40 30 45 39 21 33 21 30
1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186
23 25 23 31 40 48 46 49 43 38 35 31 36 28 39 28
1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202
31 25 32 35 29 39 30 35 42 22 10 18 56 22 29 37
1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218
40 23 30 37 34 51 47 49 6 35 65 31 28 32 27 17
1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234
19 26 25 31 38 31 44 50 37 33 40 23 30 27 32 19
1235 1236 1237 1238 1239 1240 1241 1242 1244 1245 1246 1247 1248 1249 1250 1251
35 41 41 43 23 35 36 48 41 39 24 26 29 32 33 40
1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267
42 35 22 26 8 48 38 38 30 53 38 31 35 40 33 9
1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283
11 25 28 20 14 21 19 43 32 40 32 35 44 31 55 22
1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299
48 29 43 38 21 31 18 48 41 52 63 29 17 51 26 32
1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315
37 68 29 68 50 39 35 40 45 49 43 32 28 19 51 32
1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331
24 15 18 25 13 24 32 30 33 31 31 19 37 35 34 23
1332 1333 1334 1335 1336 1337 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349
32 57 45 22 24 46 34 29 65 62 40 49 35 45 38 54
1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365
33 36 26 50 43 49 44 30 25 16 54 33 31 35 34 25
1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381
13 31 28 17 20 38 27 30 36 38 35 35 30 10 40 42
1382 1383 1384 1385 1386 1388 1389 1391 1392 1393 1394 1395 1396 1397 1398 1399
34 44 46 53 28 2 6 57 53 47 43 53 36 46 37 35
1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415
45 21 47 62 62 38 31 25 37 65 61 43 5 33 55 35
1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431
41 46 29 33 31 20 32 41 40 42 47 36 42 51 35 21
1432 1433 1434 1435 1437 1438 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449
43 40 39 62 3 1 53 46 35 77 57 53 34 46 28 19
1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465
50 25 29 51 31 49 54 42 40 56 30 36 35 29 45 34
1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481
52 37 36 22 23 45 17 18 22 31 53 47 32 26 25 21
1482 1483 1484 1485 1486 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500
16 65 43 40 27 40 34 24 37 32 31 32 50 50 34 47
1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516
44 37 28 35 38 27 19 39 64 20 41 21 45 57 53 35
1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532
24 32 27 35 27 31 27 28 29 49 42 19 19 23 20 22
1533 1534 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549
51 31 38 32 52 50 49 58 42 45 33 60 49 41 28 46
1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565
47 35 34 18 31 42 63 36 44 41 35 53 52 32 40 55
1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581
35 39 44 29 20 39 50 37 37 52 53 40 45 52 36 24
1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597
35 16 10 57 40 18 34 44 37 46 36 18 21 10 47 23
1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613
48 24 42 20 17 21 30 21 36 33 26 51 40 43 38 45
1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629
59 45 40 22 26 36 29 42 48 39 50 47 52 41 55 44
1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645
27 31 22 42 26 38 9 32 37 34 40 31 60 37 29 47
1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1657 1658 1659 1660 1661 1662
44 52 21 41 41 27 51 30 31 41 52 52 55 21 53 61
1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678
41 66 35 47 39 36 46 49 43 36 64 43 27 33 26 11
1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694
14 16 34 38 35 37 49 37 37 33 34 36 42 31 44 11
1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710
23 34 48 29 28 50 29 36 33 16 36 49 37 57 27 37
1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726
50 40 45 46 32 35 48 40 46 54 55 34 41 24 19 21
1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742
36 27 27 30 22 36 57 49 36 37 44 27 39 45 49 41
1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758
58 46 29 15 39 43 51 39 13 26 37 56 43 49 43 46
1760 1761 1762 1763 1764 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776
49 49 32 20 24 48 41 39 29 53 43 33 26 31 37 45
1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792
38 22 31 33 30 50 57 25 40 54 46 64 39 45 32 44
1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808
30 33 53 23 43 34 35 21 39 42 36 48 34 44 50 32
1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825
38 47 44 52 69 65 31 27 36 31 43 46 43 40 35 49
1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841
35 37 29 35 24 26 54 37 25 47 50 15 32 52 42 15
1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857
32 23 30 17 36 29 29 21 17 25 35 41 38 17 39 46
1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873
50 47 24 35 36 29 52 61 48 23 45 39 42 31 34 46
1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889
30 28 43 37 30 43 39 31 32 45 44 43 35 25 42 32
1890 1891 1892 1893 1894 1895 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908
38 46 20 40 19 21 10 24 28 31 37 46 48 43 54 54
1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924
57 25 35 27 41 63 42 36 52 41 34 44 44 39 25 29
1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940
33 43 14 37 36 47 49 29 49 44 49 24 33 34 40 33
1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956
18 36 21 32 24 28 31 42 42 14 18 25 30 29 24 32
1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972
43 36 49 35 32 15 38 43 47 52 40 34 48 33 31 34
1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988
30 42 52 62 59 42 37 54 25 24 34 38 41 23 22 36
1989 1990 1991 1992 1993 1994 1995 1996 1998 1999 2000 2001 2002 2003 2004 2005
30 29 14 25 36 22 35 25 33 29 40 40 28 32 28 26
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
38 33 65 47 38 28 34 35 30 35 38 42 26 57 42 32
2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037
25 53 66 32 56 39 28 41 35 30 45 27 29 39 35 23
2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2049 2050 2051 2052 2053 2054
26 31 16 29 17 19 29 18 47 38 31 45 51 47 32 4
2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070
59 45 59 65 43 21 29 33 34 32 51 70 40 64 47 23
2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086
55 58 50 53 66 59 72 38 26 22 35 32 30 31 21 45
2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2100 2101 2102 2103
31 42 31 28 29 20 20 24 39 40 27 20 16 31 31 43
2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119
37 43 55 46 36 24 46 54 27 52 62 66 29 37 35 34
2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135
37 33 55 50 67 67 49 55 20 43 29 21 21 20 34 28
2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2149 2150 2151 2152
42 42 41 39 26 17 22 14 48 60 45 29 117 110 39 23
2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168
23 56 31 22 64 46 45 39 29 34 35 71 31 30 49 49
2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184
44 58 58 45 39 34 47 42 46 31 18 21 22 23 17 31
2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2199 2200 2201
39 34 13 43 31 19 12 11 37 49 37 55 28 111 146 60
2202 2203 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218
70 76 46 71 33 40 51 14 54 47 28 89 53 50 37 42
2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234
28 43 32 53 51 40 62 26 15 41 31 25 31 14 17 34
2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2248 2249 2250 2251 2252
38 39 27 27 32 18 19 23 47 36 21 56 138 131 69 24
2253 2254 2255 2256 2257 2258 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269
79 43 29 64 87 66 48 45 58 64 38 50 47 45 39 41
2270 2271 2272 2273 2274 2275 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286
48 45 63 41 26 44 41 43 40 22 21 23 26 27 34 37
2287 2288 2289 2290 2291 2292 2293 2294 2295 2297 2298 2299 2300 2301 2302 2303
23 36 26 33 20 14 31 38 39 6 24 35 101 59 41 44
2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319
60 35 47 64 79 39 44 59 20 34 51 74 43 63 30 44
2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335
38 58 51 29 54 22 27 44 48 30 21 34 31 34 22 34
2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2347 2348 2349 2350 2351 2352
23 47 37 59 33 25 27 26 14 14 15 33 67 87 12 45
2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368
25 37 77 58 48 44 23 53 53 43 18 35 39 61 41 18
2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384
33 36 12 35 42 38 28 41 28 38 35 35 50 22 12 26
2385 2386 2389 2390 2391 2392 2393 2394 2395 2396 2398 2401 2402 2403 2404 2405
31 52 51 39 41 40 13 19 10 18 5 80 25 49 71 82
2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421
68 38 30 56 61 44 67 40 38 29 44 32 34 37 30 40
2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2436 2437 2439
48 35 30 28 41 46 32 25 46 31 26 12 20 58 52 26
2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455
58 57 30 7 18 14 14 16 13 10 2 44 11 19 39 63
2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471
29 31 18 45 44 77 46 45 36 43 49 40 54 42 32 46
2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2486 2487 2488
45 31 48 29 41 41 39 50 45 54 21 34 13 68 74 52
2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500
24 40 49 31 21 11 3 10 13 14 8 4
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2412 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("tmax", "tmin", "precip", "nevada", "prof_nieve", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)